Où sont les Blobs : Comptage par localisation avec supervision de points

Le comptage d'objets est une tâche importante en vision par ordinateur en raison de sa demande croissante dans des applications telles que la surveillance, le contrôle du trafic et le comptage d'objets quotidiens. Les méthodes les plus récentes utilisent l'optimisation par régression où elles apprennent explicitement à compter les objets d'intérêt. Elles sont souvent plus performantes que les méthodes basées sur la détection qui doivent apprendre la tâche plus difficile de prédire l'emplacement, la taille et la forme de chaque objet. Cependant, nous proposons une méthode basée sur la détection qui n'a pas besoin d'estimer la taille et la forme des objets et qui est plus performante que les méthodes basées sur la régression. Nos contributions sont de trois ordres : (1) nous proposons une nouvelle fonction de perte qui encourage le réseau à produire un seul blob par instance d'objet en utilisant uniquement les annotations au niveau du point ; (2) nous concevons deux méthodes pour diviser les grands blobs prédits entre les instances d'objet ; et (3) nous montrons que notre méthode obtient de nouveaux résultats de pointe sur plusieurs ensembles de données difficiles, notamment le Pascal VOC et l'ensemble de données Penguins. Notre méthode surpasse même celles qui utilisent une supervision plus forte, comme les caractéristiques de profondeur, les annotations multipoints et les étiquettes de boîte de délimitation.

Remerciements

Nous tenons à remercier les examinateurs anonymes pour leurs commentaires utiles qui ont permis d'améliorer considérablement l'article. Issam Laradji est financé par les Four-Year Doctoral Fellowships (4YF) de l'UBC.